一种基于MEA-IElman神经网络的配电网可靠性评估方法技术

一种基于MEA‑IElman神经网络的配电网可靠性评估方法，该法先采用灰色关联分析法筛选出影响配电网可靠性的主要特征量，再采用主成分分析法对筛选出的主要特征量进行预处理，选出合适的主要特征量维数，在Elman神经网络的承接层中加入自反馈连接增益系数，通过思维进化算法优化相关参数，得到改进的Elman神经网络，然后将经过预处理的主要特征量作为训练集采用改进的Elman神经网络对配电网可靠性进行评估。本设计不仅能够简化分析计算，而且有效提高了神经网络的预测能力和精度。

【技术实现步骤摘要】
一种基于MEA-IElman神经网络的配电网可靠性评估方法
本专利技术属于配电网可靠性分析领域，具体涉及一种基于MEA-IElman神经网络的配电网可靠性评估方法。
技术介绍
配电网虽然处于电力系统末端，但是对用户供电可靠性的影响非常大，据不完全统计，用户停电故障中80％以上是由配电系统故障引起的。供电可靠性的高低将直接影响到用户的生产和生活，供电中断不仅会直接影响供电部门的经济效益，而且会对用户造成巨大的经济损失和不良的社会影响。因此需要不断提高配电网的可靠性，来减少用户的损失，准确快速地进行配电网可靠性评估有着重要的意义。传统的配电网可靠性评估方法以准确的配电网结构和可靠性历史数据为基础，通常适用于区域性或特定的小规模电网，但是在面对大规模电网的可靠性预测时往往会造成建模困难、计算量剧增的问题；而人工智能算法在模拟事物内在规律、确定输入输出间复杂的相互关系、处理不确定性参数问题等方面具有明显优势，其主要包括模糊控制理论法，贝叶斯网络法及人工神经网络法。目前关于人工神经网络法的研究不少，文献“卫茹.低压配电系统用户供电可靠性评估及预测[D].上海交通大学，2012.”提出了基于人工神经网络算法的低压配电系统可靠性预测方法，以供电用户数和配电线路长度等作为计算参数，利用过去的供电用户可靠性统计指标结果和电网基本数据作为神经网络的训练样本，对系统未来的可靠性进行预测。文献“李莉、熊炜、龙燕等.基于动态模糊神经网络的配电网规划供电可靠性评估[J].贵州大学学报:自然科学版，2014，31(6):73-76.”提出了一种基于动态模糊神经网络的配电网规划供电可靠性评估方法，在选择与供电可靠性紧密相关的指标作为配电网规划供电可靠性评估指标的基础上，建立了动态模糊神经网络模型，并在学习过程中动态调整模糊规则和每个RBF单元的可容纳边界，既提高了模糊推理的精度，又能够有效收敛。然而上述可靠性评估方法要么采用传统的定性分析的手段筛选网络输入变量，要么在可靠性预测结果的精度上还有提升空间。
技术实现思路
本专利技术的目的是针对现有技术存在的可靠性预测结果的精度有待提升的问题，提供一种能够有效提高预测精度的基于MEA-IElman神经网络的配电网可靠性评估方法。为实现以上目的，本专利技术的技术方案如下：一种基于MEA-IElman神经网络的配电网可靠性评估方法，依次包括以下步骤：步骤A、先采用灰色关联分析法从多个影响配电网可靠性的因素中筛选出主要因素作为主要特征量，再采用主成分分析法对筛选出的主要特征量进行预处理，选出合适的主要特征量维数；步骤B、先将经过预处理的主要特征量作为训练集输入Elman神经网络，再确定Elman神经网络的拓扑结构、初始权值和阈值，随后训练Elman神经网络，以得到可靠性评估结果。步骤B中，所述Elman神经网络的非线性状态空间表达式为：xc(k)＝x(k-1)+αxc(k-1)，x(k)＝f(w1xc(k)+w2u(k-1)+b1)，y(k)＝g(w3u(k)+b2)。上式中，y，x，u，xc分别为输出层输出向量、隐含层输出向量、输入层输入向量、承接层反馈状态向量，w1、w2和w3分别为承接层到中间层的连接权值、输入层到中间层的连接权值、中间层到输出层的连接权值，b1、b2分别为隐含层、输出层的偏移值，α为自反馈连接增益系数，k为隐含层个数，f()为隐含层神经元的激活函数，g()为输出神经元的传递函数；所述Elman神经网络的学习指标函数采用误差平方和函数：上式中，E(w)为误差平方和，yk(w)为输出层各节点的期望值，ym(w)为输出层各节点的实际输出值,n为输出层个数。步骤B中，所述确定Elman神经网络的初始权值和阈值采用思维进化算法，依次包括以下步骤：步骤B1、先将解空间映射到编码空间，再在解空间内随机生成一定规模的个体，选取训练集平均相对误差的倒数作为各个体与种群的得分函数即适应度函数值，搜索出得分最高的若干优胜个体和临时个体，其中，所述个体为每个编码对应问题的一个解；步骤B2、分别以上述优胜个体和临时个体为中心，在每个个体的周围产生一些新的个体，以得到若干优胜子群体和临时子群体；步骤B3、先在各子群体内部执行趋同操作，直至该子群体成熟，并以该子群体中最优个体即中心的得分作为该子群体的得分，再将各子群体的得分在全局公告板上张贴，子群体之间执行异化操作，完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程；步骤B4、重复步骤B3，直至产生全局最优个体，然后以此作为Elman神经网络的初始权值和阈值。步骤A中，所述灰色关联分析法采用以下公式计算关联度rji：上式中，n为影响配电网可靠性的因素个数，ξji(k)为灰色关联系数，xi(k)为比较数列，xj(k)为参考数列，i、j＝1，2，…，n，n为数据数量，ρ为分辨率，取值在0﹣1之间，分别为两级最小差、两级最大差。所述灰色关联分析法中，对于正相关因素，采用初值化算子，化可靠性指标为数量级大体相近的无量纲数据：xi(k)d1＝xi(k)/xi(1)对于负相关因素，采用倒数化算子，化可靠性指标为数量级大体相近的无量纲数据：xi(k)d2＝xi(I)/xi(k)上式中，k＝1，2，…，n，xi(k)d1、xi(k)d2分别代表xi(k)在算子作用下的初值像和倒数化像。步骤A中，所述主成分分析法依次包括以下步骤：步骤A1：对主要特征量数据进行以下标准化处理：式中，Xi＝(xi(1),xi(2),…,xi(n))，为由多个影响配电网可靠性的因素组成的特征行为序列，为样本的均值，p为主要特征量的个数，S＝{S1，S2，…，Sp}，为样本的标准差；步骤A2：对标准化后的数据计算相关系数矩阵R及其特征值和特征向量，其中，所述相关系数rij由以下公式计算得到：上式中，xi为相关矩阵R的第i个特征值，且x1≥x2≥…≥xp，为其对应的特征向量，x0为可靠性指标序列X0的元素。步骤A3：计算累计贡献率，选出合适的主要特征量维数，其中，所述累计贡献率的表达式为：若C1＝a11x1+a12x2+…+a1pxp，且使得Var(C1)最大，则称C1为第一主成分；若C2＝a21x1+a22x2+…+a2pxp，(a21,a22,…,a2p)垂直于(a11,a12,…,a1p)，且使得Var(C2)最大，则称C2为第二主成分；依此类推；上式中，a1i、a2i为主成分评分系数，xi为第i个主成分，p为主成分个数的最大值。步骤B中，在确定Elman神经网络的拓扑结构时，中间层个数由以下公式确定：上式中，k为隐含层个数，n为输出层个数，m为输入层个数，a为[1，10]之间的任意整数。步骤A中，所述多个影响配电网可靠性的因素包括架空线平均长度、电缆线平均长度、线路平均配变容量、线路平均配变台数、线路平均分段数、电缆化率、绝缘化率、用户双电源率、环网化率。与现有技术相比，本专利技术的有益效果为：1、本专利技术一种基于MEA-IElman神经网络的配电网可靠性评估方法先采用灰色关联分析法从多个影响配电网可靠性的因素中筛选出主要因素作为主要特征量，再采用主成分分析法对筛选出的主要特征量进行预处理，选出合适的主要特征量维数，然后将其输入Elman神经网络进行训练，以得到可靠性评估结果，本文档来自技高网...

【技术保护点】
1.一种基于MEA‑IElman神经网络的配电网可靠性评估方法，其特征在于：所述方法依次包括以下步骤：步骤A、先采用灰色关联分析法从多个影响配电网可靠性的因素中筛选出主要因素作为主要特征量，再采用主成分分析法对筛选出的主要特征量进行预处理，选出合适的主要特征量维数；步骤B、先将经过预处理的主要特征量作为训练集输入Elman神经网络，再确定Elman神经网络的拓扑结构、初始权值和阈值，随后训练Elman神经网络，以得到可靠性评估结果。

【技术特征摘要】
1.一种基于MEA-IElman神经网络的配电网可靠性评估方法，其特征在于：所述方法依次包括以下步骤：步骤A、先采用灰色关联分析法从多个影响配电网可靠性的因素中筛选出主要因素作为主要特征量，再采用主成分分析法对筛选出的主要特征量进行预处理，选出合适的主要特征量维数；步骤B、先将经过预处理的主要特征量作为训练集输入Elman神经网络，再确定Elman神经网络的拓扑结构、初始权值和阈值，随后训练Elman神经网络，以得到可靠性评估结果。2.根据权利要求1所述的一种基于MEA-IElman神经网络的配电网可靠性评估方法，其特征在于：步骤B中，所述Elman神经网络的非线性状态空间表达式为：xc(k)＝x(k-1)+αxc(k-1)，x(k)＝f(w1xc(k)+w2u(k-1)+b1)，y(k)＝g(w3u(k)+b2)。上式中，y，x，u，xc分别为输出层输出向量、隐含层输出向量、输入层输入向量、承接层反馈状态向量，w1、w2和w3分别为承接层到中间层的连接权值、输入层到中间层的连接权值、中间层到输出层的连接权值，b1、b2分别为隐含层、输出层的偏移值，α为自反馈连接增益系数，k为隐含层个数，f()为隐含层神经元的激活函数，g()为输出神经元的传递函数；所述Elman神经网络的学习指标函数采用误差平方和函数：上式中，E(w)为误差平方和，yk(w)为输出层各节点的期望值，ym(w)为输出层各节点的实际输出值，n为输出层个数。3.根据权利要求1或2所述的一种基于MEA-IElman神经网络的配电网可靠性评估方法，其特征在于：步骤B中，所述确定Elman神经网络的初始权值和阈值采用思维进化算法，依次包括以下步骤：步骤B1、先将解空间映射到编码空间，再在解空间内随机生成一定规模的个体，选取训练集平均相对误差的倒数作为各个体与种群的得分函数即适应度函数值，搜索出得分最高的若干优胜个体和临时个体，其中，所述个体为每个编码对应问题的一个解；步骤B2、分别以上述优胜个体和临时个体为中心，在每个个体的周围产生一些新的个体，以得到若干优胜子群体和临时子群体；步骤B3、先在各子群体内部执行趋同操作，直至该子群体成熟，并以该子群体中最优个体即中心的得分作为该子群体的得分，再将各子群体的得分在全局公告板上张贴，子群体之间执行异化操作，完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程；步骤B4、重复步骤B3，直至产生全局最优个体，然后以此作为Elman神经网络的初始权值和阈值。4.根据权利要求1或2所述的一种基于MEA-IElman神经网络的配电网可靠性评估方法，其特征在于：步骤A中，所述灰色关联分析法采用以下公式计算关...

【专利技术属性】
技术研发人员：方仍存，汪颖翔，周玉洁，陈峰，雷何，贺继锋，徐敬友，郑云飞，熊志，
申请(专利权)人：国家电网有限公司，国网湖北省电力有限公司经济技术研究院，
类型：发明
国别省市：北京,11